feat:添加demo，function call

.env

@@ -0,0 +1,48 @@
+# LLM配置
+MODEL_NAME="qwen3-max"
+API_KEY="sk-7a1334a1e5f1449ca05f642d7f68590a"
+BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
+DASHSCOPE_MODEL_NAME="qwen3-vl-plus"
+
+# 本地部署qwen3-14b模型配置（vLLM默认不需要API_KEY认证，但是需要提供任意值）
+LOCAL_MODEL_NAME="qwen3-14b"
+LOCAL_API_KEY="whatever_api_key"
+LOCAL_BASE_URL="http://115.190.61.185:6008/v1"
+
+# 向量模型配置
+BGE_M3_MODEL_NAME="bge-m3"
+BGE_M3_BASE_URL="http://115.190.61.185:6006/v1"
+BGE_M3_API_KEY="whatever_api_key"
+
+# 排序模型配置
+BGE_RERANKER_MODEL_NAME="bge-reranker-v2-m3"
+BGE_RERANKER_BASE_URL="http://115.190.61.185:8899/score"
+
+# Mysql配置
+MYSQL_HOST="115.190.61.185"
+MYSQL_PORT="6033"
+MYSQL_USER="root"
+MYSQL_PASSWORD="liangfangxing123"
+MYSQL_DATABASE="medical_assistant"
+
+# ES配置
+ES_HOST="https://115.190.61.185:9200"
+ES_USERNAME="elastic"
+ES_PASSWORD="v*0tedJ=PEhfYkHj8Lge"
+
+# Milvus配置
+MILVUS_HOST="115.190.61.185"
+MILVUS_PORT="19530"
+MILVUS_USER="root"
+MILVUS_PASSWORD="liangfangxing123"
+
+# Redis配置
+REDIS_HOST="115.190.61.185"
+REDIS_PORT="6379"
+REDIS_PASSWORD="liangfangxing123"
+RAG_CACHE_EXPIRE=36000
+
+# 其他配置
+MAX_DOC_LENGTH=5
+FAQ_THRESHOLD=0.82
+RECALL_THRESHOLD=0.5

conf.py

@@ -0,0 +1,79 @@
+from pydantic_settings import BaseSettings
+from pydantic import ConfigDict
+import pathlib
+
+APP_DIR = pathlib.Path(__file__).parent
+
+
+class Settings(BaseSettings):
+    # LLM配置
+    model_name: str
+    api_key: str
+    base_url: str
+    dashscope_model_name:str
+
+    # 本地部署qwen3-14b模型配置
+    local_model_name: str
+    local_api_key: str
+    local_base_url: str
+
+    # 向量模型配置
+    bge_m3_model_name: str
+    bge_m3_base_url: str
+    bge_m3_api_key: str
+
+    # 排序模型配置
+    bge_reranker_model_name: str
+    bge_reranker_base_url: str
+
+    # Mysql配置
+    mysql_host: str
+    mysql_port: str
+    mysql_user: str
+    mysql_password: str
+    mysql_database: str
+
+    # ES配置
+    es_host: str
+    es_username: str
+    es_password: str
+
+    # ES配置
+    milvus_host: str
+    milvus_port: str
+    milvus_user: str
+    milvus_password: str
+
+    # Redis配置
+    redis_host: str
+    redis_port: str
+    redis_password: str
+    rag_cache_expire: int
+
+    # 其他配置
+    max_doc_length: int
+    faq_threshold: float
+    recall_threshold: float
+
+
+    # 映射配置文件的配置
+    model_config = ConfigDict(
+        extra='allow',
+        env_file=str(APP_DIR / '.env'),
+        case_sensitive=False,
+    )
+
+    # @property
+    # def url(self):
+    #     mysql_url = f"mysql+pymysql://{settings.mysql_user}:{self.mysql_password}@{self.mysql_host}:{self.mysql_port}/{self.mysql_database}"
+    #     return mysql_url
+
+
+settings = Settings()
+
+
+if __name__ == '__main__':
+    print(APP_DIR)
+    print(settings.model_name)
+    print(settings.api_key)
+    print(settings.base_url)

demo_function_call/_@tool.py

@@ -0,0 +1,69 @@
+from langchain_openai import ChatOpenAI
+from langchain_core.messages import HumanMessage, ToolMessage
+from langchain_core.tools import tool
+from conf import settings
+
+
+# todo: 第一步：定义工具函数
+@tool
+def add(a: int, b: int) -> int:
+    """
+    将数字a与数字b相加
+    Args:
+        a: 第一个数字
+        b: 第二个数字
+    """
+    return a + b
+
+@tool
+def multiply(a: int, b: int) -> int:
+    """
+    将数字a与数字b相乘
+    Args:
+        a: 第一个数字
+        b: 第二个数字
+    """
+    return a * b
+
+# 定义 JSON 格式的工具 schema
+tools = [add, multiply]
+
+
+# todo: 第二步：初始化模型
+llm = ChatOpenAI(
+    base_url=settings.base_url,
+    api_key=settings.api_key,
+    model=settings.model_name,
+    temperature=0.1
+)
+# 绑定工具，允许模型自动选择工具
+llm_with_tools = llm.bind_tools(tools, tool_choice="auto")
+
+# todo: 第三步：调用回复
+query = "2+1等于多少？"
+messages = [HumanMessage(query)]
+
+try:
+    # todo: 第一次调用
+    ai_msg = llm_with_tools.invoke(messages)
+    messages.append(ai_msg)
+    print(f"\n第一轮调用后结果：\n{messages}")
+
+    # 处理工具调用
+    # 判断消息中是否有tool_calls，以判断工具是否被调用
+    if hasattr(ai_msg, 'tool_calls') and ai_msg.tool_calls:
+        for tool_call in ai_msg.tool_calls:
+            # todo: 处理工具调用
+            selected_tool = {"add": add, "multiply": multiply}[tool_call["name"].lower()]
+            tool_output = selected_tool.invoke(tool_call["args"])  # 需要使用invoke进行调用
+            messages.append(ToolMessage(content=tool_output, tool_call_id=tool_call["id"]))
+        print(f"\n第二轮  message中增加tool_output 之后：\n{messages}")
+
+        # todo: 第二次调用，将工具结果传回模型以生成最终回答
+        final_response = llm_with_tools.invoke(messages)
+        print(f"\n最终模型响应：\n{final_response.content}")
+    else:
+        print("模型未生成工具调用，直接返回文本:")
+        print(ai_msg.content)
+except Exception as e:
+    print(f"模型调用失败: {str(e)}")

demo_function_call/_pydantic.py

@@ -0,0 +1,83 @@
+from langchain_openai import ChatOpenAI
+from langchain_core.messages import HumanMessage, ToolMessage
+"""
+Pydantic 是一个 Python 库，用于数据验证和序列化。
+它通过使用 Python 类型注解（type hints）来定义数据模型，
+并提供强大的数据验证功能。Pydantic 基于 Python 的 dataclasses 和 typing 模块，
+允许开发者定义结构化的数据模型，并自动验证输入数据是否符合指定的类型和约束。
+"""
+from pydantic.v1 import BaseModel, Field
+
+from conf import settings
+
+
+
+# todo: 第一步：定义工具函数
+class Add(BaseModel):
+    """
+    将两个数字相加
+    """
+    a: int = Field(..., description="第一个数字")
+    b: int = Field(..., description="第二个数字")
+
+    def invoke(self, args):
+        # 验证参数
+        tool_instance = self.__class__(**args)  # 自动验证 a 和 b
+        return tool_instance.a + tool_instance.b
+
+class Multiply(BaseModel):
+    """
+    将两个数字相乘
+    """
+    a: int = Field(..., description="第一个数字")
+    b: int = Field(..., description="第二个数字")
+
+    def invoke(self, args):
+        # 验证参数
+        tool_instance = self.__class__(**args)  # 自动验证 a 和 b
+        return tool_instance.a * tool_instance.b
+
+# 定义 JSON 格式的工具 schema
+tools = [Add, Multiply]
+
+
+# todo: 第二步：初始化模型
+llm = ChatOpenAI(
+    base_url=settings.base_url,
+    api_key=settings.api_key,
+    model=settings.model_name,
+    temperature=0.1
+)
+# 绑定工具，允许模型自动选择工具
+llm_with_tools = llm.bind_tools(tools, tool_choice="auto")
+
+# todo: 第三步：调用回复
+query = "2+1等于多少？"
+messages = [HumanMessage(query)]
+
+try:
+    # todo: 第一次调用
+    ai_msg = llm_with_tools.invoke(messages)
+    messages.append(ai_msg)
+    print(f"\n第一轮调用后结果：\n{messages}")
+
+    # 处理工具调用
+    # 判断消息中是否有tool_calls，以判断工具是否被调用
+    if hasattr(ai_msg, 'tool_calls') and ai_msg.tool_calls:
+        for tool_call in ai_msg.tool_calls:
+            # todo: 处理工具调用
+            selected_tool = {"add": Add, "multiply": Multiply}[tool_call["name"].lower()]
+            # 实例化工具类并调用 invoke
+            tool_instance = selected_tool(**tool_call["args"])
+            tool_output = tool_instance.invoke(tool_call["args"])
+            messages.append(ToolMessage(content=tool_output, tool_call_id=tool_call["id"]))
+        print(f"\n第二轮  message中增加tool_output 之后：\n{messages}")
+
+        # todo: 第二次调用，将工具结果传回模型以生成最终回答
+        final_response = llm_with_tools.invoke(messages)
+        print(f"\n最终模型响应：\n{final_response.content}")
+    else:
+        print("模型未生成工具调用，直接返回文本:")
+        print(ai_msg.content)
+except Exception as e:
+    print(f"模型调用失败: {str(e)}")

demo_function_call/agent.py

@@ -0,0 +1,51 @@
+from langchain.agents import initialize_agent, AgentType
+from langchain_openai import ChatOpenAI
+from langchain_core.tools import tool
+
+from conf import settings
+
+
+# todo: 第一步：定义工具函数
+@tool
+def add(a: int, b: int) -> int:
+    """
+    将数字a与数字b相加
+    Args:
+        a: 第一个数字
+        b: 第二个数字
+    """
+    return a + b
+
+@tool
+def multiply(a: int, b: int) -> int:
+    """
+    将数字a与数字b相乘
+    Args:
+        a: 第一个数字
+        b: 第二个数字
+    """
+    return a * b
+
+# 加载工具
+tools = [add, multiply]
+
+# todo: 第二步：初始化模型
+llm = ChatOpenAI(
+    base_url=settings.base_url,
+    api_key=settings.api_key,
+    model=settings.model_name,
+    temperature=0.1
+)
+
+# todo: 第三步：创建Agent
+agent = initialize_agent(
+    tools,
+    llm,
+    AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
+    verbose=True
+)
+
+# todo: 第四步：调用Agent
+query = "2+1等于多少？"
+result = agent.invoke(query)
+print(f'result: {result["output"]}')

demo_function_call/json_schema.py

@@ -0,0 +1,115 @@
+from langchain_openai import ChatOpenAI
+from langchain_core.messages import HumanMessage, ToolMessage
+
+from conf import settings
+
+
+# todo: 第一步：定义工具函数
+def add(a: int, b: int) -> int:
+    """
+    将数字a与数字b相加
+    Args:
+        a: 第一个数字
+        b: 第二个数字
+    """
+    return a + b
+
+
+def multiply(a: int, b: int) -> int:
+    """
+    将数字a与数字b相乘
+    Args:
+        a: 第一个数字
+        b: 第二个数字
+    """
+    return a * b
+
+tools = [
+    {
+        "type": "function",
+        "function": {
+            "name": "add",
+            "description": "将数字a与数字b相加",
+            "parameters": {
+                "type": "object",
+                "properties": {
+                    "a": {
+                        "type": "integer",
+                        "description": "第一个数字"
+                    },
+                    "b": {
+                        "type": "integer",
+                        "description": "第二个数字"
+                    }
+                },
+                "required": ["a", "b"]
+            }
+        }
+    },
+    {
+        "type": "function",
+        "function": {
+            "name": "multiply",
+            "description": "将数字a与数字b相乘",
+            "parameters": {
+                "type": "object",
+                "properties": {
+                    "a": {
+                        "type": "integer",
+                        "description": "第一个数字"
+                    },
+                    "b": {
+                        "type": "integer",
+                        "description": "第二个数字"
+                    }
+                },
+                "required": ["a", "b"]
+            }
+        }
+    }
+]
+
+
+# todo: 第二步：初始化模型
+llm = ChatOpenAI(
+    base_url=settings.base_url,
+    api_key=settings.api_key,
+    model=settings.model_name,
+    temperature=0.1
+)
+llm_with_tools = llm.bind(tools=tools, tool_choice="auto")
+
+
+# todo: 第三步：调用回复
+query = "2+1等于多少？"
+messages = [HumanMessage(query)]
+
+try:
+    # todo: 第一次调用
+    ai_msg = llm_with_tools.invoke(messages)
+    messages.append(ai_msg)
+    print(f"\n第一轮调用后结果：\n{messages}")
+
+    # 处理工具调用
+    # 判断消息中是否有tool_calls，以判断工具是否被调用
+    if hasattr(ai_msg, "tool_calls") and ai_msg.tool_calls:
+        for tool_call in ai_msg.tool_calls:
+            # todo: 处理工具调用
+            selected_tool = {"add": add, "multiply": multiply}[tool_call["name"].lower()]
+            tool_output = selected_tool(**tool_call["args"])
+            messages.append(ToolMessage(content=tool_output, tool_call_id=tool_call["id"]))
+            print(f"\n第二轮  message中增加tool_output 之后：\n{messages}")
+
+            # todo: 第二次调用，将工具结果传回模型以生成最终回答
+            final_response = llm_with_tools.invoke(messages)
+            print(f"\n最终模型响应：\n{final_response.content}")
+    else:
+        print("模型未生成工具调用，直接返回文本:")
+        print(ai_msg.content)
+except Exception as e:
+    print(f"模型调用失败: {str(e)}")
+
+# llm.invoke(messages, tools=tools, ...):
+# 绑定方式: 直接在 .invoke() 调用中传入 tools 参数。这是一种临时、一次性的绑定方式，仅对本次调用有效。
+# 调用方式: 如果你想再次调用模型并使用工具，你必须在下一次 .invoke() 调用中再次传递 tools 参数。
+# 适用场景: 适用于简单、单次的工具调用需求，

guangzhou.txt

@@ -1 +0,0 @@
-广州

requirements.txt

@@ -0,0 +1,127 @@
+aiohappyeyeballs==2.6.1
+aiohttp==3.12.15
+aiosignal==1.4.0
+altair==5.5.0
+annotated-types==0.7.0
+anthropic==0.60.0
+anyio==4.9.0
+attrs==25.3.0
+beautifulsoup4==4.13.4
+blinker==1.9.0
+boto3==1.39.16
+botocore==1.39.16
+bs4==0.0.2
+cachetools==6.1.0
+certifi==2025.7.14
+cffi==1.17.1
+charset-normalizer==3.4.2
+click==8.2.1
+colorama==0.4.6
+colorlog==6.9.0
+cryptography==45.0.5
+dashscope==1.24.0
+dataclasses-json==0.6.7
+distro==1.9.0
+fastapi==0.116.1
+filelock==3.18.0
+Flask==3.1.1
+frozenlist==1.7.0
+fsspec==2025.7.0
+gitdb==4.0.12
+GitPython==3.1.45
+greenlet==3.2.3
+h11==0.16.0
+hf-xet==1.1.5
+httpcore==1.0.9
+httpx==0.28.1
+httpx-sse==0.4.1
+huggingface-hub==0.34.3
+idna==3.10
+itsdangerous==2.2.0
+Jinja2==3.1.6
+jiter==0.10.0
+jmespath==1.0.1
+jsonpatch==1.33
+jsonpointer==3.0.0
+jsonschema==4.25.0
+jsonschema-specifications==2025.4.1
+langchain==0.3.26
+langchain-community==0.3.27
+langchain-core==0.3.72
+langchain-deepseek==0.1.4
+langchain-openai==0.3.28
+langchain-text-splitters==0.3.9
+langsmith==0.3.45
+lxml==6.0.0
+MarkupSafe==3.0.2
+marshmallow==3.26.1
+mcp==1.18.0
+mcp-server==0.1.4
+mpmath==1.3.0
+multidict==6.6.3
+mypy_extensions==1.1.0
+mysql-connector-python==9.4.0
+mysqlclient==2.2.7
+narwhals==2.0.1
+networkx==3.5
+numpy==2.3.2
+openai==1.97.1
+orjson==3.11.1
+packaging==25.0
+pandas==2.3.1
+pillow==11.3.0
+propcache==0.3.2
+protobuf==6.31.1
+pyarrow==21.0.0
+pycparser==2.22
+pydantic==2.11.7
+pydantic-settings==2.10.1
+pydantic_core==2.33.2
+pydeck==0.9.1
+PyMySQL==1.1.1
+python-a2a==0.5.4
+python-dateutil==2.9.0.post0
+python-dotenv==1.1.1
+python-multipart==0.0.20
+pytz==2025.2
+pywin32==311
+PyYAML==6.0.2
+referencing==0.36.2
+regex==2025.7.31
+requests==2.32.4
+requests-toolbelt==1.0.0
+rpds-py==0.26.0
+s3transfer==0.13.1
+safetensors==0.5.3
+setuptools==78.1.1
+six==1.17.0
+smmap==5.0.2
+sniffio==1.3.1
+soupsieve==2.7
+SQLAlchemy==2.0.42
+sse-starlette==3.0.2
+starlette==0.47.2
+streamlit==1.47.1
+sympy==1.14.0
+tenacity==9.1.2
+tiktoken==0.9.0
+tokenizers==0.21.4
+toml==0.10.2
+torch==2.7.1
+tornado==6.5.1
+tqdm==4.67.1
+transformers==4.54.1
+typing-inspect==0.9.0
+typing-inspection==0.4.1
+typing_extensions==4.14.1
+tzdata==2025.2
+urllib3==2.5.0
+uvicorn==0.35.0
+watchdog==6.0.0
+websocket-client==1.8.0
+Werkzeug==3.1.3
+wheel==0.45.1
+yarl==1.20.1
+zstandard==0.23.0
+schedule==1.2.2
+langchain-mcp-adapters==0.1.11